Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2017-04-24T14:27:21Z No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE__DIOGO_CAVALCANTI_COSTA.pdf: 8696014 bytes, checksum: 6ecb7de16968f61db789940caeae149e (MD5) / Made available in DSpace on 2017-04-24T14:27:21Z (GMT). No. of bitstreams: 2 license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5) TESE__DIOGO_CAVALCANTI_COSTA.pdf: 8696014 bytes, checksum: 6ecb7de16968f61db789940caeae149e (MD5) Previous issue date: 2015-03-02 / CNPQ / Desde os anos 1960, foram criadas inúmeras técnicas para segmentação de imagens, contudo poucas se aproximam do nível de desempenho humano, sendo essas computacionalmente custosas e inadequadas para aplicação em tempo real. Portanto, nesta tese é apresentada uma técnica de segmentação de baixo custo computacional, baseada em descontinuidades e em multirresolução, voltada à detecção de contornos de objetos em imagens naturais – fotografias do mundo real. A estrutura da técnica proposta é dividida em cinco etapas. Na primeira, atributos de cor e foco são realçados na imagem de entrada. O mapeamento de cor realça as diferenças de cor entre os canais RGB e propicia a detecção de bordas entre os canais de cor por operadores de gradiente. Dois modelos de cor de diferença cromática, RhGhBh e LgC, são propostos para esse fim. Também é proposta a transformada de decomposição de cor que segmenta a escala de cor RGB em canais independentes, isolando as cores aditivas e subtrativas, e os tons de cinza. Assim, é possível mensurar a variação local de cada cor para criar um mapeamento das regiões em foco. Na segunda etapa, uma filtragem morfológica para supressão de texturas suaviza as mudanças abruptas de cor no interior das mesmas, possibilitando a identificação de seus contornos e diminuindo a falsa identificação de bordas internas. Na terceira etapa, oito máscaras orientadas, batizadas de máscaras de detecção de contornos, são usadas para calcular o gradiente local, realçando os contornos dos objetos em detrimento de suas bordas internas. Na quarta etapa, um afinamento em tons de cinza é realizado por meio de um empilhamento topológico das bordas erodidas e suavizadas, no qual os pixels de bordas maximamente centralizados são isolados e afinados morfologicamente. Por fim, na quinta etapa, a intensidade das bordas é corrigida função do gradiente local e da densidade local das bordas, realçando os contornos dos objetos. Comparações com técnicas de segmentação recentes e clássicas são conduzidas com auxílio do Berkeley Segmentation Dataset and Benchmark. Os resultados obtidos posicionam a técnica proposta em quinto lugar no Benchmark, com tempo de processamento inferior a 0,5% do tempo das técnicas melhor classificadas, sendo adequada para uso em tempo real. / Since the 1960’s, numerous image segmentation techniques were developed, however only a few approach human level segmentation, being computationally costly and inadequate to real time applications. Therefore, this Thesis presents a low computational cost multi-resolution and edge-based image segmentation technique for objects’ contour detection in natural images – real world scenes photographs. The proposed technique’s framework is divided into five steps. First, color and focus features are mapped from the input image. The color mapping enhances the color differences between RGB channels, allowing the inter-channel colors edge detection by gradient operators. Two chromatic difference color models are proposed, RhGhBh and LgC. The color decomposition transform is also proposed, which is able to segment the RGB color scale in independent channels, isolating the additive and subtractive colors, and the shades of gray. The transform allows the measurement of the local variation within each color, thus, producing the image´s focus map. In the second step, a morphological texture suppression filtering smoothes abrupt color changes inside textures, allowing textures’ outer edges detection and decreasing the false identification of texture inner edges as objects’ contours. In the third step, eight oriented masks, called contour detection masks, are used to calculate the local gradient, enhancing the objects’ contours over their inner edges. In the fourth step, a grayscale thinning is performed through a topological stacking of eroded and smoothed edges, where the maximally centered edge pixels are isolated and morphologically thinned. Finally, in the fifth step, the edges’ intensities are corrected to reflect the local gradient and the local edges’ density, allowing better identification of objects’ contours. Comparisons with recent and classic segmentation techniques are conducted by the Berkeley Segmentation Dataset and Benchmark. The results rank the proposed segmentation in fith position in the Benchmark, with a processing time below 0.5% of the better ranked techniques, being suitable for real-time applications.